对于想在计算机科学领域找工作的博士生，学术界和工业界如何选择？在求职过程中，华盛顿大学博士生罗恩·泽勒斯的目标是找到一份教职，进入学术界是他在博士期间定下的路线。为此，他拟定了一份目标清单，撰写了大量的申请材料，并利用自己在学术界的人脉资源，寻找更多的机会。与此同时，他也接触到了行业的机遇。与业内公司的交流逐渐动摇了罗文泽勒斯的想法。他发现，对于他的研究领域——多模态人工智能——在学术界做大规模的基础研究是困难的，而且越来越难，而在工业界的机会却越来越丰富。虽然2022年左右的科技公司已经放缓或冻结了招聘，但罗文泽勒斯却发现了一个更具吸引力的机会——OpenAI向他抛出了橄榄枝。在找工作的最后阶段，他做了一件完全没有想到的事情——拒绝了所有的学术职位，并决定签下OpenAI的Offer。2022年6月，RowanZellers正式告别多年的校园时光，加入OpenAI。是什么让他在一年内实现了观念的转变？在最近的一篇博文中，罗文泽勒斯分享了他的一些求职技巧。这是博客正文：RowanZellers在CVPR2019上展示了他在视觉常识推理方面的工作。在决策过程中我非常紧张和压力——当时感觉像是一个转机——但最终我很高兴事情原来如此。对我来说，有两个关键因素在起作用：1）我觉得我可以在OpenAI做我热衷的事情，以及2）OpenAI所在的旧金山是一个适合生活和工作的城市。在文章中，我进一步讨论了决策过程。为什么要写这篇经验贴？在找工作的过程中，我从我网络中的教授那里得到了很多关于如何申请工作、如何面试以及如何创建出色应用程序的重要建议。（在本系列的第1部分中，我试图将这条建议提炼成一篇关于我求职经历的文章。）然而，当需要做出决定时，我仍然感到有点孤独。我承认我非常幸运能够拥有如此强大的教授和行业研究人员网络来接触这些事情。但是，在职业道路之间做出选择更多的是一个定制的个人决定，在某种程度上“没有正确答案”。影响这个决定的另一个因素是，我认识的大多数人似乎都在学术界和工业界之间选择了一边。我认识的大多数教授都坚定地在学术体系中工作（尽管有一些涉足工业界），而我认识的大多数工业界人士从未认真考虑过将学术界作为一种职业。这对我来说真的很奇怪。因为在博士中期，我决定走“学术路线”的动机是这样做可以让我延迟在学术界或工业界之间做出最终决定——考虑到通常的观点，从学术界到工业界比走学术界更容易另一种方式。然而，差不多几年后，我意识到走学术路线实际上是我职业身份的一部分，而且我的许多同龄人都在做同样的事情，所以我感到一种推动我走向学术路线的动力。总之，我写这篇文章是为了提供一个N=1的、自以为是的观点，说明我如何在一些相当不同的选择中做出自己的决定。在大流行期间在我的办公室寻找一份学术工作的过程中，我对我的工作和我的目标的看法发生了变化。作为背景，我正在攻读博士学位。从2016年到2022年在华盛顿大学，我非常享受这个过程。我的研究领域是关于多模式人工智能——构建可以理解语言、视觉和其他世界的机器学习系统。正如本系列第一部分所写，研究兴趣塑造了我先入为主的职业道路。我最兴奋的是做基础研究和指导初级研究人员。至少在传统的计算层面，这是学术界关注的焦点，而工业界则专注于应用研究，努力将科学进步转化为成功的产品。在学术界找到一份工作教会了我在许多不同机构和CS子领域担任教授的感觉。在我所有的采访中，我采访了160多位教授。最后，我不太确定学术界是否适合我。在学术界做大规模的基础研究是困难的。在过去的六年里，学术界（更具体地说，是我导师在华盛顿大学的研究小组）对我来说是一个非常好的环境。我被驱使去开辟一个令人兴奋的研究方向，并在指导和资源方面得到了慷慨的支持。有了这些条件，我就能够领导研究构建多模式人工智能系统，这些系统随着规模的扩大而改进，然后对我来说，产生的问题多于答案。相比之下，那段时间大多数大型工业研究实验室都不适合我的兴趣。我在攻读博士学位期间曾尝试申请实习，但从未成功找到一个似乎与我的研究议程相符的地方。我认识的大多数行业团队主要以语言为中心或以视觉为中心，我无法选择其中之一。我在艾伦人工智能研究所呆了很长时间，这是一个相比之下感觉学术的非营利性研究实验室。然而，事情正在发生变化。在我关注的领域，我担心在学术界进行开创性的系统构建研究很困难，而且越来越难。现实是构建系统真的很难。它需要大量资源和大量工程。我认为学术界的激励结构不适合这种高成本、高风险的制度建设研究。构建一个人工系统并证明它可以很好地扩展可能需要多年的研究生工作和超过100,000美元的无补贴计算。随着该领域的发展，这些数字似乎正在成倍增加。所以写大量论文不是一个可行的策略，至少现在不应该是我们的目标，但不幸的是，我知道许多学者倾向于使用论文数量作为客观衡量标准。此外，论文是学术界申请资助的“筹码”。我们需要写很多论文，在会议上有话可说，为学生寻找实习机会等。从某种意义上说，学术生涯的成功就是帮助学生制定自己的研究议程（他们可能能够在其他地方任教并且循环可以继续），这构成了进行出色研究所需的协作的内在组成部分。紧张。但是，我认为更广泛的趋势是应用研究。随着模型技术越来越强大，构建成本越来越高，越来越多的学者尝试在模型之上构建应用。这也是我在NLP和CV中看到的趋势。这反过来又影响到学界关注和讨论的问题，研究者开始关心如何解决一些实际的具体问题。在学术界，我想通过多个阶段完成一项成功的研究，包括筹集资金、建立实验室，然后才能正式开始一项科研项目。到最后拿到一个好的研究成果的时候，可能已经好几年了，也可能这段时间有人有所突破，我很难在这个赛道上脱颖而出。话虽如此，该领域在过去几年中发展非常迅速。更现实一点，如果我迷路了，我可能需要改变我的研究方向。然而，这不是我的初衷，这可能是我最终走行业路线的主要原因。学术界和工业界之间的其他差异在我的研究领域，学术教授负有教学（和准备教科书）、为教师和领域做出贡献、建设和管理计算基础设施、申请资助和管理资金等的所有责任。虽然我觉得这些东西很有趣，但我不想同时兼顾这么多工作场景，这需要很多工作能力才能做好。我希望我的工作专注于一项重要任务，例如教学。同样，在攻读博士学位期间，我喜欢一次只关注一个重要的研究问题。这种专注的工作场景我觉得在行业中存在的比较多。作为教授，一边做实验一边写代码真的很不容易，而且行业分工比较明确。我认为很多人因为学术界的声望而下意识地被学术界吸引，但我不喜欢那样。我认为把注意力放在排名和声誉上会让我追逐错误的目标，让我感到迷茫。另一方面，许多人也被这个行业所吸引，因为它提供更高的薪水，这很重要。幸运的是，我找到了一个让我内心更加满足的环境。工作和职业保障我认为很多人误解了任期。诚然，像教授这样的终身制职位是稳定且有工作保障的。但对于那些面临就业的人来说，学术就业市场也非常复杂。当然，与行业研究人员不同的是，即使在经济衰退时期，学术研究人员也可以轻松换工作。在学术界，理论上我可以自由研究任何主题，但在实践中我可能会因为没有足够的资源或足够的支持环境而受阻。我加入OpenAI是因为在这里我得到很好的支持来解决我最感兴趣的问题。我想对于任何一个行业实验室来说，解决我关心的问题需要和公司的产品保持一致，而OpenAI恰好有这样的安排。在OpenAI团队工作让我有机会指导初级研究人员并获得充足的研究资源。更重要的是，我被驱使去解决对我来说很重要的具有挑战性的问题。这些都是我选择全职签约OpenAI的原因。入职半年，发现自己真的很喜欢在OpenAI工作。
